LTV 存在一个盲点

执行摘要

LTV 可以说是 SaaS 领域最重要的单一指标，因为它预测的是未来：一个客户或一个群组将产生的总收入。但现实是否与这个预测相符？如果不符，那么此刻就有成千上万家公司正在基于错误的判断做出战略决策。

LTV 是一个简单的公式：ARPA 除以流失率。输入两个数字，就能得到一个数字，用来估算一段客户关系的总价值。它是 SaaS 领域的基础指标之一，影响着获客预算、回本周期预期、融资谈判和产品战略。

但当你把这个预测拿去和现实比对时，它究竟有多准？

为了回答这个问题，我们用来自 3,331 个 ChartMogul 公司账户、共 35,512 个客户群组的真实数据，对 LTV 进行了压力测试。具体来说，我们提出的问题是：如果你在一个群组形成时计算出 LTV，那么这个预测与 12 个月、24 个月和 36 个月后的实际情况，究竟有多接近？

核心结论有点反直觉：LTV 预测误差并非随机，而是系统性的，这使得该指标在某些情况下可靠，而在另一些情况下则始终具有误导性。

主要发现

• 预测误差是系统性的，而非随机的。 电商类企业一直在高估客户价值，而企业级客户占比高的公司则往往低估客户价值，原因在于客户规模、留存和扩张之间的相互作用方式不同。
• 许多群组的预测严重失准。 28.3% 的群组与实际情况的偏差超过 50%。
• 中位数误差之所以看起来很小，只是因为方向相反的误差常常相互抵消。 LTV 经常以相近的幅度偏高又偏低，这让整体中位数显得很准确。
• 大部分预测误差都来自同一个假设：用公司整体 ARPA 来估算新客户的收入。
• 付费较低的客户反直觉地往往比付费较高的客户留存更久，但幸存客户的后续扩张最终会让 LTV 从高估收入转为低估收入。
• LTV 最适合用作方向性指标，而非精确预测。 群组收入曲线和净 MRR 变动能补上这部分缺失的背景信息。

与其问 LTV 是否"准确"，我们更想弄清楚它究竟在哪里出错。是什么导致了这些误差？它们如何叠加？又会如何随时间变化？这些又意味着你该如何使用 LTV？

作者：Thomas Anastaselos，研究指导与编辑意见来自 Jason Cohen。

LTV 公式假设了什么

LTV = ARPA ÷ 流失率，这是一个双变量模型。它的简单性也带来了局限。

要理解它在哪里出错，得先看看这个公式做了哪些假设：

每个新客户的付费水平都和公司平均值一样。 ARPA 是一个混合数字。它代表了你账户上此刻所有的订阅客户——大的、小的，新的、老的，正在扩张的、正在缩减的。当你用它来预测一个新群组将产生的收入时，你其实是在假设，刚刚注册的客户和你现有的整个客户群体长得一样，包括那些已经合作三年、并多次扩大开支的客户。

流失率保持不变。 过去六个月的平均客户数流失率，会被统一套用到每一个新群组上，无论这些客户是谁、是通过什么渠道获取的、与产品的契合度如何，也不管其中一些客户其实已经流失。

每位客户的收入保持不变。 公式并不会专门考虑扩张或缩减，只是通过混合 ARPA 间接体现。客户刚加入时付多少钱，就假设他们会一直付这么多钱；提前取消的客户，平均付费水平也被假设成和已经合作五年的客户一样。

这些都是已知的取舍。更简单的模型更容易理解，也更难被操纵。问题在于，这些取舍在实践中是否真的重要。我们来看数据。

我们如何测试

对数据集中的每个 ChartMogul 账户，我们都定义了群组：即在同一个自然季度注册的所有客户，以他们首次成为付费客户的时间点来划分。我们分析了 2020 年第一季度到 2024 年第四季度共 20 个季度群组，覆盖全部 3,331 个账户，最终得到 35,512 个（账户，群组季度）配对。

在每个群组形成的那一刻，我们记录下该账户的 ARPA 和过去六个月的流失率，做法与 LTV 公式完全一致。然后我们据此计算出 LTV 公式对这些客户在 12 个月、24 个月和 36 个月内的收入预测。

接下来，我们衡量这些客户实际产生了多少收入。对每位客户，我们逐月追踪其 MRR，并按每个时间窗口累加实际 MRR。为避免截尾偏差，我们排除了观察窗口超出数据截止日期（2026 年 6 月）的群组。

这样一来，我们就能在相同的时间段内，针对同一批客户，直接比较预测收入与实际收入，且只使用他们首次成为付费客户时就已经掌握的信息。

这个公式看起来相当准确

典型的群组在 12 个月内产生的收入，比 LTV 的预测少 2.4%。这听起来让人安心。

然而，28.3% 的所有群组的预测误差超过 50%，无论方向是高估还是低估。

这个公式使用的是混合 ARPA，其中包含了现有客户多年来的扩张。这些客户可能已经增加席位、升级方案、提高支出好几个月甚至好几年。新客户还没有做过这些事。公式却假设他们已经和平均客户一样，尽管他们根本还没有时间变成那样的客户。

两个输入变量，两种出错方式

这个公式有两个输入变量，因此也就有两个可能出错的地方：分子中的 ARPA，或分母中的流失率。这两者都会出错，但出错的方向不同、幅度不同、原因也不同。

失效模式一：新客户并不是平均客户。

这个公式使用的是公司层面的混合平均客户收入。新客户几乎总是付费低于这个平均值——他们刚刚注册，还没有席位扩张，没有方案升级，也没有经历多年的增长，而混合平均值把这些全都算了进去。于是公式就假设新客户已经赚到了他们其实还没赚到的收入。

从中位数来看，这种 ARPA 错配对预测准确性的影响并不算大：-4.9%。但中位数掩盖了这种错配在不同群组之间的差异有多大。当我们把每个群组的预测误差拆解为 ARPA 和留存两个组成部分时，发现 ARPA 错配能解释预测准确性差异中的 84.9%。换句话说：典型的 ARPA 影响很小，但 ARPA 错配程度的差异，正是某些群组的 LTV 预测比其他群组更准确的主要原因之一。

失效模式二：群组的流失率并不等于平均流失率。

这个公式使用公司过去六个月的流失率，来预测每个月会有多少客户存活下来。但某个特定群组的流失率可能与之相差很大。新签的企业客户、由中小企业转化而来的客户，以及从试用转正式付费的客户，即便都在同一个季度加入，也不会有相同的存活曲线。公司层面的平均值，对你眼前这个具体群组的参考价值其实很有限。

从中位数来看，ARPA 和流失率这两种误差恰好部分相互抵消，这就是为什么 -2.4% 看起来很小的原因。

存活悖论

最令人意外的发现之一，是究竟哪些客户实际上留存时间最长。

传统的 SaaS 经验认为，付费更高的客户会留存更久。企业客户有锁定效应、多年期合同和专属客户经理；付费较低的客户则有更多替代选择、更低的转换成本，组织层面的黏性也更弱。以 WP Engine 为例，这个规律确实成立：规模更大的公司黏性更强。

ChartMogul 的数据集则偏向中小企业，且包含相当大比例的 B2C 群体。在这个数据集里，规律反了过来。我们按注册时的 MRR 把客户分成四组，衡量各组在 12 个月后仍然活跃的比例。结果令人意外：随着相对价格上升，12 个月留存率反而在下降。最便宜的四分位客户存活率为 74%，最贵的四分位客户存活率只有 45%。

一项二次检验也讲述了相同的故事：仍然活跃的客户，其注册时 MRR 的中位数会随时间下降，而不是上升。在一个群组内部，付费更高的客户往往会先流失。这可能部分反映了我们此前研究中提到的"会变成自己猎捕的样子"这一规律：许多 SaaS 公司会先成功获取中小企业客户，然后再向上层市场推进，而这时留住更大的客户会变得更具挑战性。

拉高 ARPA 的是扩张，而非存活

乍看之下，这似乎和 ARPA 的故事相矛盾。如果付费更低的客户存活更久，群组 ARPA 不是应该随时间下降，而不是上升吗？一种可能的解释是：在以中小企业为主的市场里，付费较低的订阅客户没什么理由离开。软件已经嵌入他们的工作流程，成本也低到不足以触发一次刻意的取消决定。

付费更高的公司会更审慎地权衡投资回报率（ROI）。一旦价值不够清晰，他们就会换掉供应商。让大型 B2B 客户更具黏性的企业级锁定效应，并不适用于每月付 500 美元的中小企业买家，也不适用于每月付 29 美元的消费者。

这对 ARPA 意味着什么。 如果付费更低的客户存活更久，那么随着群组老化，其平均 MRR 应该下降，这和 ARPA 被拉高正好相反——而这似乎正是在客户层面实际发生的情况。

那么公司层面的 ARPA 又是被什么拉高的呢？答案是扩张。留下来的客户会升级方案。我们直接衡量了这一点：在从 2020 至 2021 年存活至今的客户中，当前 MRR 有 45.6% 来自注册之后的扩张，而不是他们最初的订阅。混合 ARPA 之所以被拉高，是因为存活下来的客户在不断扩张。

这对 LTV 又意味着什么？用来预测新群组收入的 ARPA，被你现有客户已经实现的扩张给拉高了，而新客户还根本没有时间实现这种扩张。

到目前为止，我们解释了为什么 LTV 一开始会高估新客户的价值。但这些误差来源并非一成不变。随着群组逐渐成熟，客户开始扩张，这会让最初的 ARPA 错配变得越来越不重要，而扩张的影响则越来越重要。当我们用更长的时间跨度比较同一批群组时，就能看到这种转变。

预测如何随时间变化

在早期，混合 ARPA 会让 LTV 显得过于乐观。但随着时间推移，客户扩张会逐渐超过这种最初的偏差。到 24 个月时，中位数预测误差为 +6.9%；到 36 个月时，则达到 +14.4%。到 24 个月的时候，LTV 已经从高估收入变成了低估收入。

原因就是扩张。在 12 个月时，ARPA 错配和扩张大致相互抵消。到 24 个月时，已经有足够多的客户升级了席位和方案，扩张的影响开始占上风。到 36 个月时，累积的扩张会把这个数字推得更远。

到 36 个月时，结果的离散程度也几乎翻了一倍，这让 LTV 的可靠性大打折扣。

并非所有企业都遵循这个规律

总体规律——也就是付费更低的客户留存更久——是真实存在的，但并非放之四海而皆准。不是每家公司都遵循这个规律，我们来看看它在哪里成立，在哪里不成立。

对每家公司，我们衡量了客户注册 MRR 与 12 个月存活率之间的相关性。正相关意味着规模更大的客户留存更久，负相关意味着规模更大的客户流失得更快。

我们发现：

符合传统企业级预期的规律——也就是规模越大留存越久——只在 14% 的公司中成立。而对 37% 的公司来说，情况恰恰相反。

B2C 公司在负相关组中占 37.8%，但在正相关组中只占 6.6%。这符合许多消费类企业的直觉：产品已经嵌入日常生活，成本低到不足以构成取消的理由。而付费更高的订阅者则更为谨慎，一旦价值不够清晰就更容易流失。小型 B2B 公司也呈现同样的规律：负相关组中有 77% 的公司 ARR 低于 50 万美元。

正相关组（规模更大的客户留存更久）中，93% 是 B2B 公司，且以规模较大的公司为主。这是典型的企业级规律：更高的 MRR 往往伴随着更深的系统集成、更高的转换成本，以及更深的组织依赖。

这些客户行为上的差异，直接体现为 LTV 准确性上的差异。

当规模更大的客户流失更快时，LTV 最为准确；当他们留存更久时，LTV 最不准确。

当模型的两个误差相互抵消时，它最为准确：它高估了新客户的价值，但这些付费更高的客户也流失得更快，让实际收入更接近预测值。而当两个误差相互叠加时，它最不准确：付费更高的客户一开始就更有价值，还留存得更久，于是公式对他们的低估会出现两次——一次在他们注册时，另一次则随着他们不断扩张而再度出现。

LTV 在哪里最失灵

中位数误差的分布并不均匀。最大的差异出现在行业、公司规模和商业模式之间。

按行业划分：

电商行业的高估幅度最大。新客户的付费水平远低于平均值，且几乎没有扩张，导致几乎没有什么能抵消最初的 ARPA 错配。

表格的另一端则是相反的故事。商业智能行业的扩张效应最强（1.18 倍），因为分析工具会随着时间推移变得越来越嵌入客户的工作流程，使用量增长也会带动客户升级方案。即便 ARPA 错配程度相近，注册后扩张强劲的行业，LTV 误差也始终更小。

这些差异反映的似乎更多是商业模式，而不是行业本身。当新客户与现有客户群体相似、且在注册后会继续扩张时，LTV 最为准确；当新客户一开始就远低于平均水平、而且始终无法缩小差距时，LTV 最不准确。

按公司规模划分：

规模最大的公司（ARR 3,000 万美元以上）的高估幅度最大，但出现重大失误的比例却最低。它们的误差中位数达到 -19% 的水平，幅度很大，但相当一致。这些公司存在的时间已经足够长，老客户得以大幅扩张，把混合 ARPA 拉高到远超新群组实际付费水平的程度。但这些新客户在注册后往往也会大幅扩张，随着时间推移逐渐缩小差距。

小型公司（ARR 低于 50 万美元）则出现轻微的低估（误差中位数为 +0.5%），公式对这些最小规模公司的收入略有低估，可能是因为它们的扩张轨迹超出了平均水平所暗示的程度。但它们同时也拥有最多不可靠群组（29.5%）。它们的误差更多是噪声，而非系统性的。平均而言，公式大致准确，但单个群组的预测差异很大。

按商业模式划分：

B2B 和 B2C 呈现出截然不同的准确性画像。

对 B2B 企业来说，最大的问题是 ARPA 错配。现有客户已经完成扩张，把平均值推高到远超新客户实际付费水平的程度。

B2C 公司在整体上基本处于中性（误差中位数 +0.4%），且严重失准的群组占比最低（20.2%）。B2C 的定价更简单、更统一，这意味着公式的核心假设更站得住脚。在消费市场中，这个公式的盲点更小。

光加一个警示标签是不够的

我们用群组形成之初就能获得的最强信号——ARPA 比率——来测试这一点。它衡量的是一个新群组的人均收入，与公式所用的公司整体平均值之间有多大差异。由于这个指标可以立即被观察到，因此在任何留存数据出现之前，就可以用它来预警。

背后的逻辑很简单。如果新客户的付费水平明显高于或低于平均值，那么公式的 ARPA 假设从一开始就是错的，仅凭这一点，就足以让最终得出的 LTV 估算变得不可靠。

我们测试了不同的标记阈值，来衡量精确率与召回率之间的取舍：这个标记有多大概率能正确识别出一个失准的估算，又能捕捉到多少失准的估算。

在精确率与召回率的最佳平衡点上，要捕捉到 57% 的严重失准预测，你需要标记全部公司中的 37%。如果把阈值提高到只捕捉最极端的情况（阈值 1.00），精确率会提升到 81%，但只能捕捉到 10% 的失准预测。

这反映了一个底层现实：新客户很少和平均值完全一致，因此几乎每家公司的 ARPA 假设都或多或少存在偏差。一个警示标签最终会标记出相当大比例的公司，这样一来它既不具备可操作性，也谈不上特别可信。

这对你该如何使用 LTV 意味着什么

面对这些数据，你可以有三种应对方式：调整你解读当前数字的方式，修正公式本身，或者借助辅助指标。

调整你解读当前数字的方式。

把 LTV 当作方向性指标，而不是精确数字。中位数误差虽小，但围绕它的分布却很宽。对任何一个具体群组，实际结果都很可能比预测值高出或低出 25%-30%。如果你的 LTV:CAC 目标本身已经包含安全边际，请记住，这部分边际可能已经被 LTV 本身正常的不确定性所吸收。

基于数据，还有一些针对特定细分市场的调整建议：

• 电商：这里的 ARPA 假设系统性地过于乐观（误差中位数为 -10.9%）。在用于获客决策之前，建议将 LTV 下调 10%-15%。
• 大型公司（ARR 3,000 万美元以上）：误差可预测且方向单一。LTV 往往会高估约 20%，这主要是因为混合 ARPA 中已经叠加了多年来现有客户的扩张。
• 企业客户占比较高的季度：如果新客户明显比你现有的客户群体规模更大，就要预料到相反的问题——LTV 很可能会低估他们的价值。

有一点需要说明：以上描述的是每个细分市场中的典型公司，而非每一家公司。在应用任何调整之前，请先检查你自己历史上的 LTV 预测与实际情况的吻合程度。

修正公式本身。

影响最大的结构性修正，是用新群组在注册时的实际收入，取代公司层面的混合 ARPA。由于 ARPA 错配是误差方差中占比最大的因素，仅这一项调整就能显著提升准确性，而且所需的数据（注册时的 MRR）本来就已经存在。

扩张则更难用这种方式修正。它在注册时是无法预知的，而且占了剩余误差中很大一部分，所以即便修正了公式，也依然无法覆盖第二个、也是更大的一个偏差来源。这里还有一个实际成本：一个群组的实际 ARPA 要等到群组结束才能确定，这会延迟计算并增加复杂度。

使用辅助指标。

对于短期的单位经济效益，回本周期可能是一个更可靠的替代指标。它是有边界的（通常是 12-24 个月，而不是一个无限的时间跨度），并且对真正会变化的变量（利润率、早期流失、CAC）更敏感，不过一次高成本的获客投入也可能短暂地扭曲它。

对于更长的时间跨度，群组收入曲线展示的是过去群组实际产生的收入——这不是预测，而是历史记录。如果 24 到 36 个月的曲线呈上升趋势，说明留存和扩张健康；如果曲线过早趋平或下滑，就是一个清晰可见、可以定位到具体时间的问题。

净 MRR 变动则能同时补足这两者，解释这些曲线为什么会是这个样子，把扩张、缩减、流失和重新激活分别拆解开来，而 LTV 却把所有这些都压缩成了一个数字。

没有哪一个单独的视角是完整的。把它们放在一起看，能比单靠 LTV 更准确地描绘出客户价值的全貌。

最后的问题

LTV 之所以有局限，是因为它把两个并不稳定的假设压缩成了一个单一的数字。理解这些假设，比单纯相信这个数字本身更重要。

这个公式依然会继续有用，因为它足够简单，可以在董事会上三言两语说清楚，也便于长期跟踪，并且擅长用一个数字概括整个业务。只要把它当作方向性指标，并结合其他指标一起使用，LTV 仍然是一个有价值的工具。

方法论与数据

方法论说明

• 数据集：来自 3,331 个公司账户的 ChartMogul 平台数据，覆盖 2020 年第一季度到 2024 年第四季度，共产生 35,512 个（账户，群组季度）配对。群组的定义是：首次新增业务变动发生在同一个自然季度内的所有客户。
• 预测：在每个群组形成时，我们基于该账户的混合 ARPA 和过去六个月的客户流失率，用 ChartMogul 的公式计算出 LTV。然后据此计算出 LTV 隐含的、未来 12 个月、24 个月和 36 个月的收入预测。
• 实际值：对每位客户，我们逐月追踪 MRR，并按每个时间窗口累加实际 MRR。观察窗口超出数据截止日期（2026 年 6 月）的群组被排除在外，以避免截尾偏差。
• 误差指标：预测误差 = (实际值 − 预测值) / 预测值 × 100。负值表示公式高估，正值表示公式低估。不可靠群组是指绝对误差大于 50% 的群组。
• 方差分解：我们把每个群组的预测误差拆分成两个组成部分：ARPA 错配和留存错配，然后衡量这两个部分各自能解释群组间预测准确性差异的多少。这两个组成部分加上它们之间的交互作用，共同解释了 100% 的误差。
• ARPA-留存相关性：对每个账户，我们衡量了客户注册 MRR 与 12 个月存活率之间的关系。规模更大的客户往往留存更久的账户被归为正相关；流失更快的账户被归为负相关；其余的归为中性。我们设定了一个最低相关性阈值，以降低小样本带来的噪声。

关于数据的说明

本文反映的是截至 2026 年 6 月，基于 ChartMogul 实时平台数据所做的分析。此前版本的这项研究显示出略有不同的中位数误差和方差，但其中的核心观点，以及影响这些数字的因素保持不变。这些变化源于底层数据集的演变，以及公司账户在数据集中的增减。